Python正则表达式-获取时间和日期

我需要做一个正则表达式，从文本中提取时间和日期。 我试过：

我只需要像这样的东西：

21:14 - 2 de out de 2013
15:13 - 1 de out de 2013
14:16 - 1 de out de 2013
15:58 - 14 de set de 2013
16:06 - 13 de set de 2013
14:59 - 13 de set de 2013
12:43 - 13 de set de 2013
09:33 - 13 de set de 2013

obs：（我使用了一些re.sub来获得这些东西） 但有时我会：

18:30 - 11 de jul de 2011 href=https://twitter.com/XXXXXXXX/status/90533484464054272 
22:10 - 3 de jul de 2011 href=https://twitter.com/XXXXXXXXX/status/87689583726313472 

我的文本示例：

（obs第一个使用a-data-original-title是我的问题，因为我得到了href..，我不想要它。）

---

您试图用正则表达式解析HTML，这是一个错误

我会使用HTML解析器。我建议您安装：

---

这将查找所有

标记（至少）带有class

tweet timestamp

和

数据原始标题

属性，然后打印该属性。

这应该是一个更好的正则表达式

time_re = re.compile(r'data-original-title="([^"]+).*js-short-timestamp')

然后你可以用芬德尔

time_re.findall(s) # where s is you html string

编辑：

要实现这两个版本，您需要一个更复杂的正则表达式

time_re = re.compile(r'data-original-title="([^"]+).*js-short-timestamp|tweet-timestamp.*title="([^"]+)"')

[filter(None, x)[0] for x in time_re.findall(s)] # where s is your html string

---

为什么不使用HTML解析器呢？它非常好！但是，我有两种文本类型，一种是数据原始标题，另一种是只有标题。有办法把它们结合在一起吗？看看我的例子，你可以看到我在说什么，你可能会更好地使用html解析器，正如@Martjin所指出的。。。但是对于一个正则表达式，我更新了我的答案，使之对两者都适用。第二个问题是类在attr之前（twitter可能随时更改其格式，因此使用HTML解析器将始终有效）。我更改了re.compile的表达式（r'title=“（[^”]+）.*js short timestamp”），现在一切正常，谢谢！是的，因为js short timestamp类被附加到第二种类型的内部元素，所以这也可以工作。

time_re = re.compile(r'data-original-title="([^"]+).*js-short-timestamp')

time_re.findall(s) # where s is you html string

time_re = re.compile(r'data-original-title="([^"]+).*js-short-timestamp|tweet-timestamp.*title="([^"]+)"')

[filter(None, x)[0] for x in time_re.findall(s)] # where s is your html string